Pandas也能爬虫，还如此简单！

欢迎关注J哥公众号「菜J学Python」

众所周知，一般的爬虫套路无非是构造请求、解析网页、提取要素、存储数据等步骤。构造请求主要用到requests库，提取要素用的比较多的有xpath、bs4、css和re。一个完整的爬虫，代码量少则几十行，多则几百行，对于新手来说学习成本还是比较高的。

那么，有没有什么方法只用几行代码就能爬下所需数据呢？答案是pandas。J哥自从知道了这个神器，尝试了多个网页数据爬取，屡战屡胜，简直不能再舒服！这家伙也太适合初学爬虫的小伙伴玩耍了吧！

本文目录如下：

本文目录

一、定义

pandas中的pd.read_html()这个函数，功能非常强大，可以轻松实现抓取Table表格型数据。无需掌握正则表达式或者xpath等工具，短短的几行代码就可以将网页数据抓取下来。

二、原理

1.Table表格型数据网页结构

pandas适合抓取Table表格型数据，那么咱们首先得知道什么样的网页具有Table表格型数据结构(有html基础的大佬可自行跳过这一part)。

我们先来看个简单的例子。（快捷键F12可快速查看网页的HTML结构）

留学者指南网

从以上网站可以看出，数据存储在一个table表格中，thread为表头，tbody为表格数据，tbody中的一个tr对应表中的一行，一个td对应一个表中元素。

我们再来看一个例子：

新浪财经网

也许你已经发现了规律，以Table结构展示的表格数据，大致的网页结构如下：

<table class="..." id="...">
     <thead>
     <tr>
     <th>...</th>
     </tr>
     </thead>
     <tbody>
        <tr>
            <td>...</td>
        </tr>
        <tr>...</tr>
        <tr>...</tr>
        ...
        <tr>...</tr>
        <tr>...</tr>        
    </tbody>
</table>

只要网页具有以上结构，你就可以尝试用pandas抓取数据。

2.pandas请求表格数据流程

流程图

针对网页结构类似的表格类型数据，pd.read_html可以将网页上的表格数据都抓取下来，并以DataFrame的形式装在一个list中返回。

3.pd.read_html语法及参数

（1）基本语法：

pandas.read_html(io,match='.+',flavor=None,header=None,index_col=None,skiprows=None, attrs=None,
parse_dates=False, thousands=', ', encoding=None, decimal='.', converters=None, na_values=None, 
keep_default_na=True, displayed_only=True）

（2）主要参数：

参数	释义
io	接收网址、文件、字符串
parse_dates	解析日期
flavor	解析器
header	标题行
skiprows	跳过的行属性，比如 attrs = {'id': 'table'}

三、实战

案例1：抓取世界大学排名（1页数据）

import pandas as pd 
import csv
url1 = 'http://www.compassedu.hk/qs'
df1 = pd.read_html(url1)[0]  #0表示网页中的第一个Table
df1.to_csv('世界大学综合排名.csv',index=0)

没错，5行代码，几秒钟就搞定，我们来预览下爬取到的数据：

案例2：抓取新浪财经基金重仓股数据（6页数据）

import pandas as pd
import csv
df2 = pd.DataFrame()
for i in range(6):
    url2 = 'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1)
    df2 = pd.concat([df2,pd.read_html(url2)[0]])
    print('第{page}页抓取完成'.format(page = i + 1))
df2.to_csv('./新浪财经数据.csv',encoding='utf-8',index=0)

没错，8行代码搞定，还是那么简单。如果对翻页爬虫不理解，可查看公众号「菜J学Python」历史原创文章「实战|手把手教你用Python爬虫(附详细源码)」，如果对DataFrame合并不理解，可查看公众号历史原创文章「基础|Pandas常用知识点汇总(四)」。

我们来预览下爬取到的数据：

案例3：抓取证监会披露的IPO数据（217页数据）

 import pandas as pd
 from pandas import DataFrame
 import csv
 import time
 start = time.time() #程序计时
 df3 = DataFrame(data=None,columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料']) #添加列名
 for i in range(1,218):  
     url3 ='http://eid.csrc.gov.cn/ipo/infoDisplay.action?pageNo=%s&temp=&temp1=&blockType=byTime'%str(i)
     df3_1 = pd.read_html(url3,encoding='utf-8')[2]  #必须加utf-8，否则乱码
     df3_2 = df3_1.iloc[1:len(df3_1)-1,0:-1]  #过滤掉最后一行和最后一列（NaN列）
     df3_2.columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料'] #新的df添加列名
     df3 = pd.concat([df3,df3_2])  #数据合并
     print('第{page}页抓取完成'.format(page=i))
df3.to_csv('./上市公司IPO信息.csv', encoding='utf-8',index=0) #保存数据到csv文件
end = time.time()
print ('共抓取',len(df3),'家公司,' + '用时',round((end-start)/60,2),'分钟')

这里注意要对抓下来的Table数据进行过滤，主要用到iloc方法，详情可查看公众号往期原创文章「基础|Pandas常用知识点汇总(三)」。另外，我还加了个程序计时，方便查看爬取速度。

爬虫进度

2分14秒爬下217页4334条数据，相当nice了。我们来预览下爬取到的数据：

需要注意的是，并不是所有表格都可以用pd.read_html爬取，有的网站表面上看起来是表格，但在网页源代码中不是table格式，而是list列表格式。这种表格则不适用read_html爬取，得用其他的方法，比如selenium。

更多精彩内容，欢迎关注J哥微信公众号「菜J学Python」。

欢迎扫码关注